بهینهسازی شدت میدان الکتریکی در طراحی تجهیزات فشارقوی با استفاده از شبکههای عصبی و الگوریتم ژنتیک برپایه روش اجزای محدود با تکیه برکلیدهای نوع خالء

مجله علمی- پژوهشی ا لكترو مغنا طي س كارربدي سال اول شماره 1 زمستان 1997 ص 99-98 چکیده بهینهسازی شدت میدان الکتریکی در طراحی تجهیزات فشارقوی با استفاده از شبکههای عصبی و الگوریتم ژنتیک برپایه روش اجزای محدود با تکیه برکلیدهای نوع خالء 3 2 *1 اسعد شمشادی سید محمدتقی بطحائی اصغر اکبری 1- دانشجوی دکتری مهندسی برق دانشگاه صنعتی خواجه نصیرالدین طوسی 2 و 3 - دانشیار مهندسی برق دانشگاه صنعتی خواجه نصیرالدین طوسی )دريافت 3122291 پذيرش ) 3121124 در اين مقاله مسئله بهینهسازی شدت میدان الکتريکی داخلی در تجهیزات فشارقوی با تاكید بر ساختار داخلی يک كلید فشارقوی نوع خالء به تفصیل مورد بحث و بررسی قرار گرفته و تالش شده است روشی نوين و جامع در اين زمینه معرفی گردد. بر پايه اين روش مدل هندسی بهینه نش د ه ا و لیه كلی د از لح ا ظ ت وزي ع ش دت می د ان ا ل کت ري کی د ا خلی محف ظه ب ا ا ستف اد ه از ر و ش ا ج ز ا ی مح د ود م ورد تحلی ل ا و لی ه ق ر ار گ رفت ه و مناطق با شدت بحرانی و كلیه پارامترهای دخیل در طراحی هندسی مرتبط با اين مناطق بحرانی و حدود تغییرات آنها مشخص میگردد. در ادامه جهت پارامترهای مرتبط با طراحی هندسی نواحی بحرانی مشخص ش د ه ب ا ا ستف اد ه از ت اب ع ت ص ادفی ن ر م ا ل و ح د ود مج از تغی ی ر ات اي ن پارامترها و قیود موجود در مسئله مجموعه بردارهای طراحی جديد تشکیل میيابد. مدل ه ا ی هن د سی متن اظ ر ب ا ه ر ب رد ار ط ر ا حی ب ا ا س تف اد ه از روش اجزای محدود تحلیل شده و از لحاظ الگوی توزيع حداكثر شدت میدان مورد مطالعه قرار میگیرند. در ادامه يک شبکه عصبی مناسب با درصد خطای قابل قبول جهت تشکیل الگويی از ارتبا حداكثر شدت میدان الکتريکی داخل محفظه و مجموعه كلی پارامترهای طراحی مربوطه آموزش میبیند. در ادامه با استفاده از الگوريتم ژنتیک و استفاده از شبکه عصبی آموزشديده در قالب يک تابع هدف بردار مقادير بهینه استخراج و مدل بهینه متناظر از لحاظ درصد كاهش شدت میدان الکتريکی داخلی بررسی و اعتبارسنجی می گ ردد. در انت ه ا ت اثی ر ك اه ش ش دت می د ان الکتريکی داخلی بر چگالی جريان گسیل میدانی مورد بررسی قرار خواهد گرفت. واژههای کلیدی: کلیدهای خالء شدت میدان الکتریکی روش اجزای محدود شبکه عصبی الگوریتم ژنتیک. 1- مقدمه با توجه به افزايش روزافزون سطح گازهای گلخانهای و منع استفاده از اين گازها در محصوالت تولیدی كارخانجات و در جهت اجرای موافقتنامه كیوتو ] 1 و 1 [ در سالهای اخیر جايگزين نمودن كلیدهای SF6 با كلیدهای خالء كه عاری از هرگونه گاز بوده و ساختار نسبتا سادهتری دارند بهعنوان يک اولويت در صنعت تولید كلیدهای فشارقوی در حال پیگیری میباشد] 9 و 2 [ از مهمترين چالشهای پیش رو در جهت افزايش سطح ولتاژ قابل تحمل اين كلیدها سرعت پايین بازيابی عايقی آنها بهدلیل عدم وجود گازهای خنک كننده و ماده جذب كننده يونهای تولیدشده در طی فرآيند قوس الکتريکی میباشد] 3 [. تنها راه غلبه بر اين معضل شناسايی دقیق عوامل دخیل در فرايند شکست الکتريکی در خالء و تالش در جهت كاهش اثرات آنها میباشد. با بررسی عوامل مذكور به نظر میرسد كه بهجز دمای سطحی كنتاكتها شدت میدان الکتريکی داخلی )بهويژه در ناحیه * رايانامه نويسنده پاسخگو: shemshadi@aim.com

مجله علمی- پژوهشی ا لكت رومغنا طي س كارربدي سال اول شماره 1 زمستان 1997 سطح كنتاكتها( از مهمترين داليل شکست الکتريکی بهويژه در پديده گسیل میدانی میباشد ]3 و 6 [. در سالهای اخیر جهت كاهش شدت میدان داخلی كلید خالء تحقیقات زيادی بهويژه در زمینه بهینهسازی ساختار هندسی درون محفظه كلید صورت پذيرفته است كه در همگی آنها تمركز بر يک ناحیه خاص از محفظه )با تعداد پارامترهای طراحی انگشتشمار و محدود( بهخصوص سطوح كنتاكتها بوده است ] 4 و 3 [ همچنین روش غالب بهینهسازی مورد استفاده در اين مطالعات بر پايه استخراج منحنی تغییرات شدت میدان الکتريکی و يافتن نقطه مینیمم منحنی مذكور بنا نهاده شده است. ] 7 و 3 ]. با ت و ج ه ب ه تعدد پا ر ام ت رها ی دخیل در طراحی و نیاز به بهینهسازی كلی محفظه هیچيک از اين مطالعات نتوانستهاند تمامی نواحی بحرانی داخلی كلید را تحت پوشش قرار داده و روش جامعی جهت بهینهسازی ارائه نمايند ] 11 و 11 [ در اين مقاله تالش شده است با استفاده از ابزارهای مدرن تخمین الگو و بهینهسازی تکاملی روشی جامع و فراگیر جهت كنترل حداكثر شدت میدان الکتريکی در تجهیزات فشارقوی )با تاكید بر كلیدهای خالء( و مرتفع ساختن مشکل مذكور ارائه گردد. 7- کلیدهای خالء كلیدهای خالء )شکل 9( امروزه بهعنوان پركاربردترين تجهیزات قطع جريان در شبکههای قدرت و در سطوح ولتاژی زير 93 كیلوولت كاربرد يافتهاند. محدوده مجاز فشار داخلی محفظه 10-2 -10-4 Pa و جنس كنتاكتها از آلیاژ مس كروم و يا مس تنگستن بوده و بسته به كاربرد متغیر میباشد. با توجه به اينکه در زمان باز شدن فک كلید بخار فلزی از سطح يکی از كنتاكتها )كاتد( و از طريق نقا كوچکی بهنام )C.S) Cathode Spot به فضای بین كنتاكتها تراوش میكند )شکل 1( در زمان عبور از صفر منحنی جريان با از بین رفتن C.S آخرين باالترين احتمال قطع جريان توسط كلید وجود خواهد داشت و در صورتی كه قدرت بازيابی عايقی در كلید باالتر از ولتاژ بازگشتی تولید شده ت و س ط حال ت گذ ر ا ی مد ا ر خارجی متصل به كلید باشد جريان مذكور با رسیدن به لحظه عبور از صفر مطابق با شکل )1( قطع خواهد شد. 9- تشریح روش جامع بهینهسازی میگردد: مراحل گام بهگام روش پیشنهادی بهشرح زير خالصه 1- مدلسازی طرح بهینهنشده اولیه با استفاده از روش اجزای محدود جهت استخراج الگوی توزيع شدت میدان داخلی كلید. شکل 7- قطع جريان در لحظه عبور از صفر توسط كلید خالء 1- مشخص نمودن مناطق بحرانی داخلی كلید از لحاظ شدت میدان الکتريکی داخلی كه با توجه به مرحله قبل تعداد و نوع اين پارامترها )طولی يا شعاعی( مشخص میگردد. 9- با استفاده از تابع تصادفی نرمال و با توجه به گستره مجاز تغییرات هر پارامتر يک جدول متشکل از تعدادی بردار طراحی تشکیل میگردد. نکته مهم در اين مرحله بررسی امکان تداخل چند پارامتر با يکديگر و تشکیل جدول قیود مسئله میباشد. 4- متناظر با هر بردار طراحی در مرحله قبل مدل اجزای محدود مربوطه تشکیل يافته و از لحاظ شدت میدان الکتريکی تحلیل میگردد. 2- حداكثر شدت میدان الکتريکی داخلی جهت طراحیهای مختلف در يک جدول مرتب میگردد. شکل 1- تولید پالسمای فلزی توسط. C.Sها در يک كلید خالء] 3 [

بهینهسازی شدت میدان الکتریکی در طراحی تجهیزات فشارقوی با استفاده از... : اسعد شمشادی و همکاران 91 3- يک شبکه عصبی Feed Forward جهت آموزش با استفاده از بردارهای طراحی و شدت میدان متناظر با هر بردار مورد استفاده قرار میگیرد. 5- تشخیص مناطق بحرانی میدان الکتریکی 7- شبکه عصبی آموزشديده بهعنوان يک تابع هدف در الگوريتم بهینهسازی ژنتیک مورد استفاده قرار میگیرد. در انتها اعتبارسنجی روش پیشنهادی با مقايسه شدت میدانها در مدل اولیه و مدل استخراجشده از الگوريتم ژنتیک صورت خواهد گرفت. 9- تحلیل مدل اولیه به روش اجزای محدود مدل مورد استفاده در اين مقاله يکی از محفظههای تجاری موجود تولیدشده توسط يکی از شركت ها ی سا زنده با كد 3AF6211C كه در شکل )9( آورده شده است میباشد. )ابعاد و مشخصات خمهای داخلی از روی كاتالوگ شركت سازنده استخراج گرديدهاند ). الزم به توضیح است كه جهت ترسیم گرافیک مورد نیاز مسئله میتوان از نرم اف ز ا رها ی ت خ ص صی مربوطه مانند Solid Works بهره جست. شکل 9- نتايج توزيع شدت میدان الکتريکی داخلی جهت مدل اولیه داخلی اين مناطق با توجه به الگوی توزيع شدت میدان الکتريکی كه در شکل )4( آورده شده است مشخص میگردند. توضیح اينکه مناطق بحرانی معموال در نقاطی كه خمها واقع شدهاند و يا در مجاورت خمها واقع شدهاند اتفاق میافتند. اين مناطق در شکل )2( مشخص گرديده اند. ال زم ب ه ت و ض یح ا س ت ك ه با توجه به تقارن موجود در مسئله از لحاظ نمودن نواحی بحرانی در ناحیه متقارن مشخصشده در شکل )2( )كه تکراری خواهد بود( اجتناب شده است. شکل 5- مشخص نمودن نواحی متناظر با حداكثر شدت میدان الکتريکی داخلی در مدل اولیه در ادامه با توجه به شرايط مرزی و شرايط الکترواستاتیکی حاكم بر محیط و عدم وجود بارهای فضايی )در اين صورت معادله ديفرانسیلی در نظر گرفتهشده بايد پواسن باشد( با حل معادله الپالس دوبعدی )معادله شماره ) 1 و با ف رض ت قا ر ن محوری محفظه نتايج حاصل از مدلسازی اجزای محدود با استفاده از نرمافزار شده است. Comsol Multiphysics )1( درشکل )1( آورده مناطق مورد بحث نواحی هستند كه محل رخداد حداكثر شدت میدان الکتريکی در میان آنها واقع خواهد شد. در محفظه مورد بحث تعداد اين نواحی مطابق شکل )2( 7 عدد میباشد. 6- انتخاب پارامترهای بهینهسازی شکل 9- مدل اولیه در نظر گرفتهشده جهت شروع فرايند بهینهسازی با توجه به هندسه دخیل در طراحی نواحی بحرانی مشخصشده در مرحله قبل پارامترهای طراحی كه بايد طی فرايند بهینهسازی مورد استفاده قرار گیرند مشخص میگردند كه در كلید مورد تحلیل متشکل از 11 پارامتر شعاعی و 7 پارامتر طولی مطابق با شکل )3( میباشد. 2 V=0

مجله علمی- پژوهشی ا لكت رومغنا طي س كارربدي سال اول شماره 1 زمستان 1997 8- مدلسازی و استخراج مجموعه حداکثر 2- تولید بردارهای طراحی جدید به روش تصادفی نرمال پس از مشخص شدن پارامترهای طراحی با در نظر گرفتن حد مجاز تغییرات جهت هر پارامتر و با استفاده از تابع تصادفی نرمال 191 بردار طراحی جديد كه در جدول شماره )1( نشان داده شدهاند مشخص گرديد. الزم به توضیح است در صورتیكه دو يا چند پارامتر در طراحی يک ناحیه دخالت داشته باشند حد مجاز تغییرات دو يا چند پارامتر به يکديگر وابسته خواهد گرديد و قیود جديدی در مسئله بهوجود خواهند آمد كه بايد در هنگام استخراج بردارهای طراحی و بهینهسازی لحاظ گردند )شکل 7(. استفاده از تابع تصادفی نرمال به دلیل فراهم آوردن امکان توزيع يکنواخت بردارهای طراحی در گستره تغییرات مجاز پارامترها میباشد. شدت میدان با توجه به هريک از بردارهای طراحی مشخصشده در جدول )1( يک مدل اجزای محدود تشکیل و جهت مشخص شدن دامنه حداكثر شدت میدان در نواحی بحرانی مورد بررسی قرار میگیرد كه اين فرايند در انتها به نتايج ارائهشده در جدول )1( منتهی میگردد )نتايج جهت 191 بردار طراحی استخراج شدهاند(. الزم به ذكر است كه ناحیه رخداد حداكثر شدت میدان جهت يک مدل ممکن است متفاوت با ناحیه حداكثر در مدل ديگر باشد. به هر حال محل رخداد حداكثر شدت میدان در ادامه الگوريتم اهمیتی نداشته و صرفا مقدار آن در نظر گرفته خواهد شد. جدول 7- نتايج بررسی حداكثر شدت میدان متناظر با بردارهای طراحی. Data Index No. Emax (V/m) 1 3356000 2 2738000 3 2257000 4 2471000 5 4967000.. 129 2640000 130 3220000.. شکل 6- مشخص نمودن 16 پارامتر بهینهسازی متشکل از 11 پارامتر شعاعی و 7 پارامتر طولی شکل 2- مشخص نمودن قیود طراحی موجود در مسئله جدول 1- بردارهای طراحی تولیدشده به روش تصادفی نرمال. 9- نموزش شبکه عصبی FeedForward شبکه ها ی ع ص بی ج ه ت ياف ت ن نگا ش ت م و ج ود ب ی ن مجموعهای از ورودیها و مجموعهای از خروجیها مورد استفاده قرار میگیرند. به شکل )6( دقت كنید در صورتیكه رابطه ورودیها و خروجیها مطابق الگوی مذكور No. C1 C2 C3... L5 L6 L7 1 0.00163 0.009 0.00727... 0.02911 0.1246 0.00107 2 0.00141 0.0096 0.00388... 0.02824 0.10957 0.00671 3 0.00115 0.004 0.00107... 0.02657 0.12927 0.01025 4 0.00199 0.0068 0.00332... 0.02772 0.1212 0.00417 5 0.00092 0.0103 0.00728... 0.02785 0.12764 0.00535........ 129 0.00126 0.0053 0.00565... 0.0296 0.11383 0.00697 130 0.00026 0.0059 0.00672... 0.02641 0.12156 0.00232

بهینهسازی شدت میدان الکتریکی در طراحی تجهیزات فشارقوی با استفاده از... : اسعد شمشادی و همکاران 99 شکل 8- شماتیک يک شبکه عصبی F.F تک اليه باشد در اين صورت خروجی شبکه عصبی (y( مطابق رابطه )1( خواهد بود. در رابطه )1( تابع عملكننده نورون f نامگذاری گرديده و xها مجموعه ورودیهای شبکه عصبی میباشند. در صورتیكه از خروجیها )يا ديگر اليهها( اتصال برگشتی به ورودیها يا اليههای ديگر موجود نباشد شبکه حاصل يک شبکه F.F خواهد بود. منظور از آموزش شبکه عصبی تنظیم مقادير اوزان ) wها( به گونهای میباشد كه خروجی شبکه با خطای قابل قبولی برابر با مقدار خروجی مطلوب باشد. ساير شبکهها داشته باشد )در اين مقاله تعداد شبکه 421 آموزش داده شده و انتخاب بهترين ساختار از بین اين مجموعه و به روش گفتهشده صورت پذيرفته است(. نتايج در شکلهای )3 و 11( آورده شده است. شکل 9- مقايسه نتايج واقعی و خروجی شبکه عصبی پس از آموزش T x1 w1 x2 w2 y f b.. xm wm )1( دلیل استفاده از شبکه نوع F.F د ر رو ش پ ی ش ن هاد ی سادگی ساختار آن میباشد كه با توجه به مورد استفاده آن بهعنوان تابع هدف در الگوريتم ژنتیک باعث افزايش سرعت اجرای الگوريتم بهینهسازی مذكور میگردد. 11- تابع هدف و الگوریتم ژنتیک جهت آموزش الگوی موجود بین پارامترهای ورودی و مجموعه حداكثر شدت میدان الکتريکی خروجی از يک شبکه دواليه نوع F.F كه به روش Levenberg-Marquardt آموزش ديده است استفاده میگردد. روش يافتن شبکه مناسب به اين گونه است كه با استفاده از يک برنامه كامپیوتری شبکههای متعددی آموزش داده شده و در نهايت ساختار شبکهای انتخاب میگردد كه مجموع مربعات خطای كمتری را نسبت به شکل 11- مقايسه نتايج واقعی و پیشبینی شبکه عصبی براساس الگوريتم تکاملی انتخاب طبیعی كه در 1623

مجله علمی- پژوهشی ا لكت رومغنا طي س كارربدي سال اول شماره 1 زمستان 1997 توسط چارلز داروين ارائه گرديد از فرزندان تولیدشده توسط والدين آنهايی كه تطابق بیشتری با شرايط محیطی دارند شانس بیشتری برای حیات و شروع زاد و ولد پیدا میكنند. Function) )Fitness در الگوريتم ارائهشده پس از آموزش شبکه عصبی اين شبکه طی يک برنامهنويسی امکان بهكارگیری در فرايند بهینهسازی ژنتیک را بهعنوان يک تابع هدف پیدا میكند. پس از اجرای الگوريتم مذكور و لحاظ نمودن كلیه شرايط و حدود مجاز تغییر پارامترها همچنین قیود مورد نیاز الگوريتم مذكور پس از 921 نسل چنانکه در شکل) 11 ( نشان داده شده است همگرا میگردد. الزم بهذكر است كه الگوريتم مذكور 12 بار اجرا شد كه نتايح مشابهی را جهت بردار مقادير بهینه در پی داشت. همچنین شدت میدان الکتريکی بیشینه پیشبینی شده توسط الگوريتم مقدار 1.665773E + 6)V/m) میباشد. مؤلفه ها ی ب رد ا ر ب ه ی ن ه استخراجشده توسط الگوريتم ژنتیک در جدول )9( آورده شدهاند. جدول 9- مؤلفههای بردار بهینه و مقادير مؤلفههای اولیه شکل 11- همگرا شدن الگوريتم ژنتیک پس از 921 نسل Parameter C1 C2 Initial 1.111 1.119 Optim. 1.111477 1.111111 Parameter L1 L2 Initial 1.1141 1.1121 Optim. 1.113732 1.126123 11- ارزیابی نتایج جهت ارزيابی صحت و كارآمدی الگوريتم پیشنهادی مدل شکل 17- مقايسه دو مدل پايه )باال( و مدل بهینه )پايین( متناظر با مقادير بهینه تشکیل )شکل 11( و به روش اجزای محدود مورد تحلیل قرار گرفت )شکل 19(. C3 1.111 1.111111 L3 1.1172 1.113161 C4 1.111 1.111343 L4 1.1111 1.117113 C5 1.111 1.111741 L5 1.1121 1.111121 C6 1.111 1.114432 L6 1.1141 1.114169 C7 1.111 1.112131 L7 1.1172 1.113137 C8 1.111 1.111111 C9 1.119 1.116671 C10 1.111 1.113211 C11 1.119 1.116421 شکل 19- الگوی توزيع شدت میدان الکتريکی در مدل بهینه.

بهینهسازی شدت میدان الکتریکی در طراحی تجهیزات فشارقوی با استفاده از... : اسعد شمشادی و همکاران 95 جدول 9- مقايسه نتايج: A: شدت میدان الکتريکی در 7 ناحیه بحرانی جهت مدل اولیه B: جهت مدل بهینهسازیشده C: درصد كاهش شدت میدان E1 E2 E3 E4 E5 E6 E7 A 1.66E+6 2.1E+6 1.67E+6 2.4E+6 1.92E+6 2.32E+6 1.49E+6 B 1.28E+6 1.47E+6 1.23E+6 7.94E+5 1.19E+6 1.11E+6 9.34E+5 C 22.89% 30% 26.34% 66.91% 38.02% 52.15% 37.31% نتايج بهدست آمتده بهصورت خالصه در جدول )4( آورده شدهاند. با دقت در نتايج بهدست آمده مشخص میگردد كه حداكثر شدت میدان الکتريکی از عدد 2.4E+6 C به عدد 6+1.47E يعنی معادل %96.72 كاهش داشته است. همچنین با دقت به رديف در جدول شماره )4( مشخص میگردد كه شدت میدانها در نواحی بحرانی بهطور متوسط %93.1 كاهش نشان میدهد. 17- کاهش گسیل میدانی E منظور از گسیل میدانی - كه از مهمترين عوامل شکست الکتريکی در خالء میباشد- پرتاب الکترون از سطح خارجی فلزات بر اثر شدت میدان الکتريکی ايجادشده بر سطح فلز میباشد. چگالی جريانی ناشی از اين پديده با توجه به معادله Fowler-Nordheim )9( در اين معادله تراوايی مغناطیسی خالء e مشخص میگردد )معادله 9(.]3 7[ شدت میدان الکتريکی در سطح فلز μ بار الکترون h مقدار Tunneling Barrier فلز كنتاكت در زمانیكی میدان الکتريکی صفر باشد )قابل استخراج از جداول( φ تابع كار فلز كنتاكت و m جرم پايه الکترون میباشند. هرگونه تالش در جهت كاهش شدت میدان باعث كاهش جريان گسیل میدانی -كه از علل شکست الکتريکی در خالء میباشد- می گ ردد. ب ه ع با ر ت ديگ ر سطح ول تا ژ شک س ت الکتريکی در محفظه بهینهسازیشده افزايش میيابد. بر اساس اين معادله و نتايج بهدست آمده از بهینهسازی صورتگرفته اگر j1 و j1 بهترتیب جريان میدانی مربو به مدل اولیه و مدل بهینهسازی بوده و كلیه شرايط ديگر ثابت بمانند در اين صورت معادله )4( تشريح كننده درصد باالی كاهش گسیل میدانی در محفظه بهینهسازیشده خواهد بود )بیش از 39 درصد كاهش(. )4( در انتها الزم به يادآوری است كه با هدف عدم تغییر در قابلیت عبور جريان كلید و تغییر مشخصات حرارتی محفظه در طی فرآيند بهینهسازی سطح تماس دو كنتاكت ثابت در نظر گرفته میشود. 19- محدودیتها 1 محدوديتهای موجود در اين روش بهشرح زير میباشد: مدلسازی محفظه با تقريب شناور بودن محفظه در فضای پیرامونی میباشد كه در صورت مشخص بودن اين شرايط امکان منظور نمودن آنها در ضمن فرايند مدلسازی وجود دارد )مثال مناطق زمینشده پیرامونی و يا فضای نصب محفظه درون نگهدارنده كلید قدرت(. 1 2 0.3875 8 2m 0.6125 3heE j2 j ( 0.6125 ) e 1 0. 375 j 3 2 در صورتیكه بهدلیل توپولوژی خاص مسئله در يکی از نواحی بحرانی هیچيک از بردارهای طراحی به حداكثر شدت موضعی میدان الکتريکی منجر نگردد در اينصورت شبکه عصبی مورد نظر آموزشی از لحاظ الگوی شدت میدان الکتريکی در آن ناحیه دريافت نخواهد شد و ناحیه مذكور بايد از فرآيند بهینهسازی كنار گذاشته شود و بهینهسازی جهت آن ناحیه بهصورت جداگانه و با قبول درصدی از خطا 3 2 4 ee j e ( )(8 h ) 3 8 2m 2 3heE

مجله علمی- پژوهشی ا لكت رومغنا طي س كارربدي سال اول شماره 1 زمستان 1997 انجام پذيرد. بهمنظور توضیحات بیشتر بخش بعدی تحتعنوان 15- نتیجهگیری مباحث تکمیلی بهینهسازی جهت استخراج مقادير بهینه دو پارامتر طراحی اضافی ارائه میشود. 19- مباحث تکمیلی به شکل )14( توجه كنید به دلیل اينکه شدت میدان الکتريکیاندازگیریشده در اين ناحیه همیشه كمتر از هفت ناحیه برگزيده اول میباشد- در صورت در نظر گرفتن آن همزمان با هفت ناحیه ديگر- اطالعات آن همیشه حذف میگردد و الگويی از شدت میدان آن در آموزش شبکه عصبی دخالت نمینمايد. با توجه به اين قضیه و در جهت بهینهسازی بیشتر و جلوگیری از رهاسازی اين ناحیه پس از بهینهسازی كلی صورتگرفته اين ناحیه نیز بهصورت مجزا بهینهسازی میگردد. روش مورد استفاده در بهینهسازی اين ناحیه مانند الگوريتم مطرحشده در بهینهسازی اصلی است و فرآيند بهینهسازی مرتبط با آن در صورت نیاز پس از مشخص شدن كلیه پارامترهای بهینهسازی اصلی آغاز میگردد. نتايج بهینهسازی جهت استخراج دو پارامتر طراحی مذكور بهشرح نشاندادهشده در جدول )2( میباشند. در اين مقاله روشی جامع جهت تحلیل الگوهای توزيع شد ت م ید ا ن د ر د رو ن ت ج ه ی ز ا ت ف شا رق و ی با تاك ید ب ر كلیدهای خالء ارائه گرديد. بر پايه اين روش با استفاده از روش اجزای محدود مدل اولیه كلید مورد تحلیل قرار گرفته و مناطق بحرانی مشخص گرديدند. سپس پارامترهای طراحی مرتبط با اين نواحی استخراج و با استفاده از روش تصادفی نرمال بردارهای طراحی جديد در محدوده مجاز تغییرات پارامترها و با لحاظ قیود مربوطه در جدولی مرتب گرديد. متناظر با هر بردار مدل اجزای محدود مربوطه از لحاظ حداكثر شدت میدان مورد بررسی قرار گرفت و در نهايت ماتريس كلی خروجی حداكثر شدت میدان بهدست آمد كه با طی يک فرايند آموزش شبکه عصبی تابع هدف مناسب جهت استفاده در الگوريتم بهینهسازی مشخص شد. در ادامه از اجرای الگوريتم ژنتیک بردار بهینهسازی استخراج و مورد بررسی دقیق و ارزيابی قرار گرفت و مشخص شد كه الگوريتم پیشنهادی مذكور كارآمد بوده و كاهشی برابر با %96.72 جهت حداكثر شدت میدان الکتريکی داخلی كلید به دنبال داشته است. اين تغییر در شدت میدان بر اساس معادله گسیل میدانی الکترون كه از عوامل مهم شکست الکتريکی خالء میباشد منجر به كاهش بیش از 39 درصدی در جريان گسیل میدانی در درون محفظه كلید خالء خواهد گرديد و سطح تحمل ولتاژی محفظه را عالوهبر كاهش تنشهای الکتريکی واردشده بر عايق كلید افزايش خواهد داد. مراجع [1] Shemshadi A., Akbari A., S.M.T Bathaee, A Novel Approach for Reduction of Electric Field Stress in Vacuum Interrupter Chamber Using Advanced Soft Computing Algorithms, IEEE Transactions on Dielectrics and Insulations. Oct. 2013. [2] Shemshadi, A., Akbari, A., Bathaee, S.M.T, internal field optimization of a vacuum interrupter chamber in order to reduce insulation stress using NN, GA and FE approach, 18 th. Symposium on High Voltage Engineering, Aug. 2013. [3] Matsui,Y., Nagatake, K., Takeshita, M., et al., Development and Technology of High Voltage VCBs; Brief History and State of Art, Proc. of ISDEIV 2006, vol. 1, pp. 253-256, 2006 شکل 19- ناحیه جديد و دو پارامتر مرتبط در طراحی آن كه شدت میدان الکتريکی در آن همیشه كمتر از هفت ناحیه بحرانی قبل میباشد. جدول 5- مؤلفههای بردار بهینه و شدت میدان الکتريکی بهینه )درصد كاهش 39 درصد( جهت نواحی با شرايط خاص )مشمول بهینهسازی Parameter R L Initial 00000 1.191 Optim. 1.11174 1.19212 Einitial(V/m) 1131111 Eoptimized (V/m) 00288 31% Reduction تکمیلی(.

بهینهسازی شدت میدان الکتریکی در طراحی تجهیزات فشارقوی با استفاده از... : اسعد شمشادی و همکاران 92 [19] M. Budde, M. Kurrat, Dielectric investigations on micro discharge currents and conditioning behaviour of vacuum gaps, Int. Symp. On Discharges and Electrical Insulation in Vacuum, vol. 1, pp. 67-70, 2006 [20] K. Kato, M. Hikita, N. Hayakawa, Y. Kito, H. Okubo, Development of personal-computer-based high efficient technique for electric field optimization, European Transactions on Electrical Power Eur. Trans. Electr. Power, vol. 5, no. 6, pp. 401-407, 2007. [21] S. Haykin, Neural Networks: A Comprehensive Foundation, IEEE Press, McMillan College Publishing Co., 1994. [22] A. J. Christlieb, Grid-Free Plasma Simulation Techniques, IEEE Transactions on Plasma Science, Vol. 34, No. 2, Apr. 2006. [23] T. Delachaux, O. Fritz, D., Numerical Simulation of a Moving High-Current Vacuum Arc Driven by a Transverse Magnetic Field (TMF), IEEE Transactions on Plasma Science, Vol. 35, No. 4, Aug. 2007. [24] T. Delachaux, O. Fritz, D. Gentsch, E. Schade, Simulation of a High Current Vacuum Arc in a Transverse Magnetic Field, IEEE Transactions on Plasma Science, Vol. 37, NO. 8, Aug. 2009. [25] D. L. Shmelev and T. Delachaux, Physical Modeling and Numerical Simulation of Constricted High-Current Vacuum Arcs Under the Influence of a Transverse Magnetic Field, IEEE Transactions on Plasma Science, Vol. 37, NO. 8, Aug. 2009. [26] A.M.Chaly, A.A.Logatchev2, K.K.Zabello, S.M.Shkol'nik, High-Current Vacuum Arc in a Strong Axial Magnetic Field, XXIInd Int. Symp. On Discharges and Electrical Insulation in Vacuum, Matsue, 2006. [27] R. Rojas, Neural Networks, Springer-Verlag, Berlin, 1996. [28] Ezra P. A. van Lanen, Vacuum Circuit Breaker Postarc Current Modelling Based on the Theory of Langmuir Probes, IEEE Transactions on Plasma Science, 2007. [29] R.P. Smeets, Current-Zero Measurements of Vacuum Circuit Breakers Interrupting Short-Line Faults, IEEE Transactions on Plasma Science, Vol. 31, No. 5, Oct. 2003. [30] T. Matsuo, H. Fujimori, S. Yanabu, Insulation Recovery Characteristics after Current Interruption by Various Vacuum Interrupter Electrodes, IEEE Transactions on Dielectrics and Electrical Insulation Vol. 13, No. 1; February 2006. [4] Kojima, H., Hitoshi, K.S., Okubo and K. Kato: Electric Field Optimization of Floating Electrode Configuration in Vacuum Interrupter, IEEE Trans. on Dielectrics and Electr. Insulation, Vol., pp. 36-39, 2010. [5] Joo,H.W., Ryu, J., and Tak, S.,: Optimal Design of Multi -Shield for Improvement of Insulation Performance of High Voltage Vacuum Interrupter, IEEE Conference on Electromagnetic Field Computation, pp. 613-615, 2011. [6] Slade, P.G., The Vacuum Interrupter, Theory, Design, and Application, Boca Raton, FL, CRC press, 2008. [7] Boxman, R. L., et al., Handbook of Vacuum Science and Technology. Park Ridge, NJ: Noyes, 1995. [8] Jin, L., Zhou, F., Yan, J., Peng, Q., Chen, and, J., J. Wang, Research on the Most Efficient Separation for 35 kv Vacuum Interrupters, High Voltage Apparatus, vol. 37, no. 3, pp.18-20 1999. [9] Yasuoka, T., Kato, K., and Okubo, H., Electrode conditioning characteristics based on discharge current in vacuum, 15th Intl. Symp. High Voltage Eng., pp. 137-141, 2007. [10] Kato, K., and Okubo, H., Optimization of Electrode Contour for Improvement of Insulation Performance of High Voltage Vacuum Circuit Breaker, Int. Symp. On Discharges and Electrical Insulation in Vacuum, vol. 15, pp. 21-24, 2006. [11] Budde, M., Kurrat, M., Dielectric investigations on micro discharge currents and conditioning behaviour of vacuum gaps, Int. Symp. On Discharges and Electrical Insulation in Vacuum, vol. 1, pp. 67-70, 2006. [12] Kato, K., Hikita, M., Hayakawa, N., Kito, Y., Okubo, Development, H. of personal-computer-based high efficient technique for electric field optimization, European Transactions on Electrical Power Eur. Trans. Electr. Power, vol. 5, no. 6, pp. 401-407, 2007. [13] Haykin, S., Neural Networks: A Comprehensive Foundation, IEEE Press, McMillan College Publishing Co., 1994 [14] Kojima, H., Hitoshi,K.S. Okubo and Kato,,K. Electric Field Optimization of Floating Electrode Configuration in Vacuum Interrupter, IEEE Trans. on Dielectrics and Electr. Insulation, Vol., pp. 36-39, 2010. [15] Joo, H.W., Ryu, J., and Tak, S.,: Optimal Design of Multi -Shield for Improvement of Insulation Performance of High Voltage Vacuum Interrupter, IEEE Conference on Electromagnetic Field Computation, pp. 613-615, 2011. [16] Jin,,L., Zhou,,F., Yan,,J., Peng, Q., Chen, J., and Wang, J., : Research on the Most Efficient Separation for 35 kv Vacuum Interrupters, High Voltage Apparatus, vol. 37, no. 3, pp.18-20 1999. [17] Yasuoka, T., Kato, K., and Okubo, H., Electrode conditioning characteristics based on discharge current in vacuum, 15th Intl. Symp. High Voltage Eng., pp. 137-141, 2007. [18] Kato, K., and Okubo, H., Optimization of Electrode Contour for Improvement of Insulation Performance of High Voltage Vacuum Circuit Breaker, Int. Symp. On Discharges and Electrical Insulation in Vacuum, vol. 15, pp. 21-24, 2006.